主要介绍TensorFlow的基础语法及功能函数。学完后，TensorFlow代码对您来说将不再陌生，您可以很轻易看懂相关代码，并可以尝试写一些简单的模型或算法。
学习一个开发环境，应先从其内部入手，这样会起到事半功倍的效果。本章先从编程模型开始了解其运行机制，然后再介绍TensorFlow常用操作及功能函数，最后是共享变量、图和分布式部署。
编程模型
TensorFlow的命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算。TensorFlow是张量从图像的一端流动到另一端的计算过程，这也是TensorFlow的编程模型。
了解模型的运行机制
TensorFlow的运行机制属于“定义”与“运行”相分离。从操作层面可以抽象成两种：模型构建和模型运行。在模型构建过程中，需要先了解几个概念，如图所示。
图中定义的内容都是在一个叫做“图”的容器中完成的。关于“图”，有以下几点需要理解。
一个“图”代表一个计算任务。
在模型运行的环节中，“图”会在会话（session）里被启动。
session将图的OP分发到如CPU或GPU之类的设备上，同时提供执行OP的方法。这些方法执行后，将产生的tensor返回。在Python语言中，返回的tensor是numpy ndarray对象；在C和C++语言中，返回的tensor是TensorFlow：Tensor实例。
在实际环境中，这种运行情况会有3种应用场景，分别是训练场景、测试场景与使用场景。在训练场景下图的运行方式与其他两种不同，具体介绍如下。
（1）训练场景：是实现模型从无到有的过程，通过对样本的学习训练，调整学习参数，形成最终的模型。其过程是将给定的样本和标签作为输入节点，通过大量的循环迭代，将图中的正向运算（从输入的样本通过OP运算得到输出的方向）得到的输出值，再进行反向运算（从输出到输入的方向），以更新模型中的学习参数，最终使模型产生的正向结果最大化地接近样本标签。这样就得到了一个可以拟合样本规律的模型。
（2）测试场景和使用场景：测试场景是利用图的正向运算得到的结果与真实值进行比较的差别；使用场景也是利用图的正向运算得到结果，并直接使用。所以二者的运算过程是一样的。对于该场景下的模型与正常编程用到的函数特别相似。在函数中，可以分为实参、形参、函数体与返回值。同样在模型中，实参就是输入的样本，形参就是占位符，运算过程就相当于函数体，得到的结果相当于返回值。另外，session与图的交互过程中还定义了以下两种数据的流向机制。
- 注入机制（feed）：通过占位符向模式中传入数据。
- 取回机制（fetch）：从模式中得到结果。
下面通过实例逐个演示session在各种情况下的用法。先从session的建立开始，接着演示session与图的交互机制，最后演示如何在session中指定GPU运算资源。
实例1，编写hello world程序演示session的使用
下面先从一个hello world开始来理解session的作用。
实例描述
建立一个session，在session中输出hello。
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!') #定义一个常量
sess = tf.Session() #建立一个session
print (sess.run(hello)) #通过session里面run函数来运行结果
sess.close() #关闭session
运行代码会得到如下输出：
b'Hello, TensorFlow!'
- tf.constant定义的是一个常量，hello的内容只有在session的run内才可以返回。
可以试着在2和3行之间加入print（hello）看一下效果，这时并不能输出hello的内容。接下来换种写法，使用with语法来开启session。
实例2：演示with session的使用
with session的用法是最常见的，它沿用了Python中with的语法，即当程序结束后会自动关闭session，而不需要再去写close。代码如下。
实例描述
使用with session方法建立session，并在session中计算两个变量（3和4）的相加与相乘值。
import tensorflow as tf
a = tf.constant(3) #定义常量3
b = tf.constant(4) #定义常量4
with tf.Session() as sess: #建立session
print ("相加: %i" % sess.run(a+b))
print( "相乘: %i" % sess.run(a*b))
运行后得到如下输出：
相加: 7
相乘: 12
实例3：演示注入机制
扩展上面代码：使用注入机制，将具体的实参注入到相应的placeholder中。feed只在调用它的方法内有效，方法结束后feed就会消失。
实例描述
定义占位符，使用feed机制将具体数值（3和4）通过占位符传入，并进行相加和相乘运算。
01 import tensorflow as tf
02 a = tf.placeholder(tf.int16)
03 b = tf.placeholder(tf.int16)
04 add = tf.add(a, b)
05 mul = tf.multiply(a, b) #a与b相乘
06 with tf.Session() as sess:
07 #计算具体数值
08 print ("相加: %i" % sess.run(add, feed_dict={a: 3, b: 4}))
09 print ("相乘: %i" % sess.run(mul, feed_dict={a: 3, b: 4}))
运行代码，输出如下：
相加:7
相乘:12
标记的方法是：使用tf.placeholder为这些操作创建占位符，然后使用feed_dict把具体的值放到占位符里。
注意： 关于feed中的feed_dict还有其他的方法，如update等，在后面的例子中用到时还会介绍，这里只是介绍最常用的方法。
建立session 的其他方法
建立session还有以下两种方式。
交互式session方式：一般在Jupyter环境下使用较多，具体用法与前面的with session类似。代码如下：
sess = tf.InteractiveSession()使用
Supervisor方式：该方式会更高级一些，使用起来也更加复杂，可以自动来管理session中的具体任务，例如，载入/载出检查点文件、写入TensorBoard等，另外该方法还支持分布式训练的部署（在本书的后面会有介绍）。
实例4：使用注入机制获取节点
在实例3中，其实还可以一次将多个节点取出来。例如，在最后一句可以加上以下代码：
实例描述
使用fetch机制将定义在图中的节点数值算出来。
10 ……
11 mul = tf.multiply(a, b)
12 with tf.Session() as sess:
13 #将op运算通过run打印出来
14 print ("相加: %i" % sess.run(add, feed_dict={a: 3, b: 4}))#将add节点打印出来
15 print ("相乘: %i" % sess.run(mul, feed_dict={a: 3, b: 4}))
16 print (sess.run([mul, add], feed_dict={a: 3, b: 4}))
运行代码，输出如下：
相加: 7
相乘: 12
[12, 7]
